每个网络都会得到改进，从而使两个网络都能够学习到给定数据集的整个分布情况。意义：生成对抗网络进一步拓展了深度学习，使其能够处理更大范围的无监督任务，这些任务的标签化数据要么不存在，要么过于昂贵而很难获得。生成对抗网络也减少了深度神经网络所需的负载，因为负载由两个网络共同承担。预期可以看到更多的商业应用，例如使用生成对抗网络技术来做网络探测等。5、精简和增强数据学习：解决数据标签化挑战简述：机器学习（尤其是深度学习）遇到的醉大挑战是需要大量使用标签化数据来训练系统。目前有两种广泛使用的技巧可以帮助解决这个问题：（1）合成新的数据;（2）将一个任务或领域的训练模型迁移到另一个，例如“迁移学习”的技巧（把从一个任务/领域学到的经验迁移到另一个任务/领域），或“一次学习”的技巧（极端化迁移学习，仅仅通过一个例子或没有相关例子的学习）
由此使它们成为“精简数据”学习技巧。同样的，通过模拟或内插合成新的数据有助于获取更多的数据，从而扩大现有数据来改善学习。意义：使用这些技巧，我们可以解决更多的问题，尤其是在历史数据较少的情况下。预期可以看到精简和增强数据的更多变种，以及适用于更广泛商业问题的不同类型的学习技巧。6、概率编程：便于模型开发的语言简述：概率编程是一种高0级编程语言及建模框架，它能让开发人员便捷地设计概率模型，并且自动求解这些模型。概率编程语言可以让我们重复使用模型库，支持交互式建模以及认证，并提供必要的抽象层来更广泛和有效地推论通用模型组。意义：概率编程框架适合的场景包括在商业领域内极为常见的不确定和不完整信息的情况。未来，我们会看到这些语言得到更广泛地应用，并期望它们也用于深度学习。7、混合学习模式：结合算法优势解决不确定性问题简述：不同类型的深度神经网络，譬如生成对抗网络和深度增强学习，在它们的效果和结合不同类型数据的广泛应用方面显示出巨大的前景。不过，深度学习模型不能为不确定性的数据场景建模，而贝叶斯概率方法却能够做到。混合学习模式结合了这两种方法，且能够充分利用每一种方法的优势。混合模型的一些例子包括贝叶斯深度学习，贝叶斯生成对抗网络和贝叶斯条件生成对抗网络等。意义：混合学习模式将商业问题的种类扩大到对不确定性进行深度学习。这可以帮助我们获得更佳效果，提高模型的可解释性
